CN116719275B - 面向零件全切削过程的工艺综合优化方法 - Google Patents
面向零件全切削过程的工艺综合优化方法 Download PDFInfo
- Publication number
- CN116719275B CN116719275B CN202310832630.4A CN202310832630A CN116719275B CN 116719275 B CN116719275 B CN 116719275B CN 202310832630 A CN202310832630 A CN 202310832630A CN 116719275 B CN116719275 B CN 116719275B
- Authority
- CN
- China
- Prior art keywords
- frog
- cutting
- optimization
- follows
- tool
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 152
- 238000005457 optimization Methods 0.000 title claims abstract description 142
- 238000005520 cutting process Methods 0.000 title claims abstract description 140
- 230000008569 process Effects 0.000 claims abstract description 87
- 239000002245 particle Substances 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 58
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 54
- 238000003754 machining Methods 0.000 claims description 31
- 239000000463 material Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000007514 turning Methods 0.000 claims description 17
- 238000005265 energy consumption Methods 0.000 claims description 7
- 241000269350 Anura Species 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 230000003746 surface roughness Effects 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 5
- 230000002028 premature Effects 0.000 claims description 5
- 239000002173 cutting fluid Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000013016 learning Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000003801 milling Methods 0.000 description 6
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 102100035971 Molybdopterin molybdenumtransferase Human genes 0.000 description 2
- 101710119577 Molybdopterin molybdenumtransferase Proteins 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4086—Coordinate conversions; Other special calculations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Turning (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种面向零件全切削过程的工艺综合优化方法，包括：建立多特征零件的工艺综合优化模型；基于多目标粒子群和蛙跳算法对所述工艺综合优化模型进行求解，得到用户偏好驱动的个性化工艺方案；本发明能够明显地优化加工效率、加工成本和碳排放等目标。
Description
技术领域
本发明涉及机械加工技术领域，特别是一种面向零件全切削过程的工艺综合优化方法。
背景技术
随着温室效应的加剧、碳标签政策的实行，以及企业对于低成本、高效率的持续追求，使得制造企业面临着环境与成本的双重压力。这大大驱动了制造型企业向低碳、高效和低成本制造模式的转型。切削加工作为工业制造中最基础和重要的手段，研究如何在碳达峰和碳中和等低碳政策的约束下，进行高效低耗的切削加工对于环境和社会经济均具有重大意义。研究表明，采用合适的工艺参数对于降低零件加工的碳排放，控制加工成本，提高生产效率和加工质量具有重要影响。然而，切削加工过程是一个复杂、非线性的多约束多目标问题，传统的根据试切获得合适切削参数的手段由于成本高、效率低、耗时长等缺点，已经难以满足当前工业生产的需求。随着智能方法的兴起与应用(如机器学习、遗传算法、神经网络和粒子群优化等)，为该问题的解决开辟了新的途径，使得基于智能算法的多目标切削参数优化逐渐成为了研究的焦点。
尽管国内外学者已经在切削参数优化领域做了许多研究工作，或从切削实验数据，或从理论模型出发，构建了各种加工类型的优化模型。其中以车削加工[和铣削加工的研究最为丰富。这些研究的焦点是在确定刀具的情况下对特定的加工类型进行研究，优化其切削参数，以实现低碳低耗、高效低成本的切削。较少考虑到不同刀具方案对优化结果的影响，且几乎没有着眼于零件全切削过程的工艺综合优化的研究工作。然而对于零件的全切削过程而言，单项特征的切削参数优化是一种局部优化模式，不能实现整个切削过程的综合优化。随着在线切削服务平台的问世，用户越来越希望能够依托平台获得零件全切削过程的完整刀具方案和工艺方案。因此，迫切需要研究面向全切削过程的工艺综合优化技术，从环境、成本和效率等视角出发，综合优化零件整个切削过程的工艺。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供一种面向零件全切削过程的工艺综合优化方法，本发明能够明显地优化加工效率、加工成本和碳排放等目标。
为实现上述目的，本发明采用的技术方案是：一种面向零件全切削过程的工艺综合优化方法，包括以下步骤：
步骤1、建立多特征零件的工艺综合优化模型；
步骤2、基于多目标粒子群和蛙跳算法对所述工艺综合优化模型进行求解，得到用户偏好驱动的个性化工艺方案。
作为本发明的进一步改进，所述步骤1具体包括：
将多特征零件全切削过程中产生的碳排放Ce、切削时间T和加工成本C作为目标函数，并结合刀片性能约束、机床的性能约束和表面质量约束得到所述工艺综合优化模型，具体如下：
式中，pi为切削参数集中的第i个参数；Pmax为机床允许的最大切削功率；Pc为机床的额定功率；Rmax为刀具切削设定的最大允许粗糙度；Rwork为刀具切削对应的理论表面粗糙度。
作为本发明的进一步改进，所述碳排放Ce由各个特征切削时产生的碳排放组成，具体如下：
Cei是第i个加工特征在切削加工过程中产生的碳排放，Cei的具体形式表示为：
Cei＝Cele+Ctool+xCcool
其中，Cele是电力消耗所产生的碳排放量；Ctool是刀具消耗引起的碳排放量；x是加工该特征时所采用的冷却方法；Ccool为切削液消耗引起的碳排放；
所述加工成本C由各个特征切削加工产生的成本组成，具体如下：
其中Ci为第i个特征切削加工所产生的费用，由人工成本Ch、能源成本Ce和刀具成本Ct组成，具体如下：
其中，xh为单位时间内的人工成本；xe为电力成本；ct为刀具成本。
作为本发明的进一步改进，Cele的具体形式如下：
Cele＝FeEe
其中，Fe是耗电量和碳排放之间的转换因子；Pn是该加工特征对应的机床的空载功率；Tp是切削加工的持续时间；
刀具生产所产生的碳排放Ctool包括刀具材料的耗能和刀具生产过程的耗能，具体形式如下：
其中，Ttool是根据泰勒公式，结合实验数据获得的预估刀具寿命；f1是刀具材料碳排放因子；f2是刀具生产过程的碳排放；wt是切削项的重量；Et是切削项在制造过程中消耗的能量。
作为本发明的进一步改进，所述刀片性能约束以刀具制造商提供的切削参数推荐范围为有效变量范围，具体的变量约束如下：
式中vmin、vmax、fmin、fmax、apmin、apmax、aemin和aemax分别为刀具制造商给出的切削速度、进给量、切削深度和切削宽度的最大值和最小值；
所述机床的性能约束包括机床的额定功率、主轴的转速范围以及进给功率的范围，机床的性能约束的具体如下：
式中Pmax为机床所允许的最大切削功率；nmin和nmax分别为机床的最小转速和最大转速；
所述表面质量约束具体如下：
Rwork≤Rmax
式中Rwork和Rmax分别是刀具切削对应的理论表面粗糙度和设定的最大允许粗糙度；f为进给量；r为刀具的刀尖圆弧半径。
作为本发明的进一步改进，所述步骤2具体包括以下步骤：
步骤2.1、获取用户输入的工件信息、机床信息以及对应刀具的信息，提取工艺综合优化模型的条件参数；
步骤2.2、对于每个加工特征，按照其特征类型，并结合机床信息构建针对单项特征的连续变量优化模型；
步骤2.3、针对单项特征工艺优化模型，应用多目标粒子群优化算法对之进行求解，遍历所有特征，获得每项特征的工艺参数优化解集；
步骤2.4、以单项特征的工艺优化解集为决策空间，以每个特征采取的优化解为决策变量，结合用户期望，构建零件全切削过程的工艺综合优化模型，并应用改进蛙跳算法对之进行求解，在用户偏好驱动下，对零件全切削过程的完整工艺进行综合优化。
作为本发明的进一步改进，所述步骤2.3具体包括以下步骤：
步骤2.3.1、输入加工特征的类型、尺寸和材料信息；对应刀具的类型、尺寸和材料信息；
步骤2.3.2、确定优化变量和约束形式，并构建目标函数；
步骤2.3.3、通过组合准随机序列和伪随机数生成器，基于粒子群算法，初始化大小为m的粒子群时，第k个初始粒子的第i维初始化的具体形式如下：
式中，r为0到1之间产生的随机数；m为初始化群体的大小；pi是该加工类型对应的第i维工艺参数；
步骤2.3.4、判断个体之间的支配关系，计算其适应度函数F，具体形式如下式：
Fi＝Ri/Di
其中，Sj是被第j个粒子支配的粒子数量；k是支配第i个粒子的粒子数量；D是第i个粒子与其他粒子空间距离的平均值；
步骤2.3.5、对于群体中的每个粒子Pop[i]，对其速度xi v和位置xj(j＝1,2…k)进行更新，具体如下：
Pop[i+1].x＝Pop[i].x+xv [i+1]
其中，w是惯性因子，用以维持粒子的飞行方向；c1为个体学习因子；c2为社会学习因子；r1和r2是两个产生于0到1之间的随机数；引入动态惯性因子，则第d次迭代的权重因子wd的具体形式如下：
式中wmin和wmax是预设的最小与最大惯性因子；Fd average是第d次迭代时粒子群的平均适应度值；Fd max是在第d次迭代时所有粒子的最大适应度值；
步骤2.3.6、比较粒子更新后位置Pop[i+1]和个体最好位置Pb [i]，如果Pop[i+1]优于Pb [i]，则以Pop[i+1]替换Pb [i]；否则，保持Pb [i]不变；比较此次迭代中最好的个体Gb [i+1]与全局最好个体Gb [i]，如果Gb [i+1]优于Gb [i]，则以Gb [i+1]替换Gb [i]；否则，保持Gb [i]不变；
步骤2.3.7、判断并克服早熟停滞，以每次迭代获得的全局最优解为依据，设定最大局部迭代次数M，如果全局最优解Gb在M次迭代中不发生变化，则认定为一个局部停滞；局部停滞后需改变粒子飞行轨迹，改变方式如下式：
Gb.xi＝rand(Max(pi),Min(pi))
步骤2.3.8、通过K次局部停滞的全局最优解不变化为终止条件，若满足终止条件，输出优化解集，否则转至步骤2.3.5。
作为本发明的进一步改进，步骤2.4中，所述改进蛙跳算法包括：
蛙群初始化：零件工艺综合优化的一个解映射为算法空间的一个青蛙个体Ui＝(si 1…si j…si n)，且设定蛙群Pop的大小为P；对于第i只青蛙Ui＝(si 1…si j…si n)，其初始化方法如下：
其中，Si为第i个单项特征的工艺优化解集；rand(Kj)表示从0到Kj中产生的随机整数；上式的具体含义是从Si的Kj个位置中随机选择一项为当前青蛙的位置；
适应度值计算：求解多目标优化问题时，每只青蛙的适应度值需通过计算支配关系来确定，具体如下：
d为群体中所有支配该个体的青蛙数目；
分组：将p只青蛙分配到q个组中去，明显地有q<p，并记第i个组为memeplex(i)；蛙群分组的具体规则如下：(a)首先按照适应度对蛙群进行排序，(b)将已经排序了的青蛙按照顺序依次填充到蛙组之中；
跳跃：蛙跳算法的搜索过程是将蛙组中的最差个体持续跳跃到更好位置的过程，跳跃算子τ(Ub)的具体形式如下：
Uw＝(sw 1...sw j...sw f)
Ub＝(sb 1...sb j...sb f)
(Uw＝C(Uw,Ub))
其中，Uw为一个memeplex中存在的适应度值最差的青蛙；Ub是memeplex中最好的青蛙，C(Uw，Ub)是Uw和Ub随机交叉函数，实现用Ub对Uw进行更新。
局部搜索：局部搜索是促使每个memeplex中适应度最差的青蛙向更好位置跳跃的过程，包括：
步骤A、标记局部位置最差青蛙Uw和位置最佳青蛙Ub，以及全局位置最佳青蛙Ugb；
步骤B、通过跳跃算子τ(Ub)对Uw进行更新；
步骤C、更新后的Uw是否优于更新前的Uw，如果是，则转至步骤D；否则，转至步骤E；
步骤D、用更新了的Uw对之前的值进行替换；
步骤E、通过跳跃算子τ(Ugb)对Uw进行更新；
步骤F、更新后的Uw是否优于更新前的Uw，如果是，则转至步骤D；否则，转至步骤G；
步骤G、使用初始化方法随机产生一只青蛙代替Uw。
作为本发明的进一步改进，所述步骤2.4中的改进蛙跳算法具体包括以下步骤：
步骤a、设定蛙群大小p，组数q，以及终止条件T0；
步骤b、初始化蛙群；
步骤c、计算蛙群中每只青蛙的适应度值并以此进行排序；
步骤d、进行蛙群分组；
步骤e、对每个组实施局部寻优算子，更新每个组中最差的个体；
步骤f、对更新后的个体进行汇总和再次重新排序；
步骤g、判断终止条件是否达到，如果达到，转至步骤h；否则，转至步骤i。
步骤h、将蛙群在本次跳跃过程中获得的非被支配解填充到外部精英集合，并重新对外部精英集合进行支配关系判断，并剔除非帕累托解。
步骤i、输出外部精英集合。
作为本发明的进一步改进，步骤2中，得到用户偏好驱动的个性化工艺方案具体如下：
通过下式对外部精英集合EA的加工时间T、加工成本C和碳排放Ce进行归一化处理。
Xi为EA的第i个元素的第j个属性，j∈(T，C，Ce)；Xmax和Xmax分别为EA对应属性的最大值和最小值；则在用户偏好Wc＝(wt，we，wc)驱动下的个性化工艺方案表示下：
式中，wt，we和wc分别为用户对于加工时间T、碳排放Ce和加工成本C的偏好程度；xi j为第j(j＝1，2…n)个方案的第i(i＝1，2…k)个属性的归一化值；对A进行升序排序，则A(1)为在用户偏好W下的最佳方案。
本发明针对网络环境下如何为用户提供零件全切削过程的工艺综合优化服务问题，提出了面向全切削过程的工艺综合优化方法；以加工时间、加工成本和加工过程中的碳排放为目标，以机床设备和刀具性能为约束，开展了零件全切削过程的工艺综合优化模型研究；提出了多目标粒子群和蛙跳算法混合驱动的求解方法，在网络环境下给用户提供偏好驱动的个性化工艺方案。
本发明的有益效果是：
1、本发明构建了零件全切削过程的加工时间、加工成本和碳排放模型，实现了网络环境下对零件全切削过程的描述；针对模型求解时存在的变量多，变量间耦合程度高的问题，提出了多目标粒子群和蛙跳算法混合驱动的求解方法，首先基于多目标粒子群优化算法获得单项特征的工艺优化参数集合，再将单项特征映射为蛙跳算法中的青蛙个体，特征的工艺优化参数集合映射为青蛙个体的值域，通过蛙跳优化获得了满足用户偏好的个性化工艺方案。
2、本发明相比于当前面向单项特征的工艺参数优化方法，开展的多特征零件全切削过程工艺综合优化研究能够着眼于整个切削加工过程，基于用户偏好实现全局优化，为终端用户的零件加工提供个性化的完整工艺方案。相比于工厂现有的工艺，本发明方法能够明显地优化加工效率、加工成本和碳排放等目标。
附图说明
图1为本发明实施例中型腔特征加工长度计算示意图；
图2为本发明实施例中复杂特征的刀具可加工域计算示意图；
图3为本发明实施例中不同加工方式的切削力示意图；
图4为本发明实施例中混合求解算法架构图；
图5为本发明实施例中基于改进MOPSO的切削参数优化流程图。
图6为本发明实施例中局部搜索流程图；
图7为本发明实施例中基于改进蛙跳算法的整体切削参数优化模型求解流程图；
图8为本发明实施例中经典粒子群优化算法的求解过程图；
图9为本发明实施例中不同方法的耗时情况对比图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
本实施例提出一种面向零件全切削过程的工艺综合优化方法；针对多特征工艺参数协同优化时，存在变量多，变量间耦合程度高的问题，提出了多目标粒子群和蛙跳算法混合驱动的工艺综合优化方法。首先研究了基于多目标粒子群算法的针对具体特征类型的切削参数优化方法，获得每个特征的切削参数优化集合。然后，再以每个加工特征为变量，将对应的优化解集映射为变量值域，基于蛙跳算法综合优化零件全切削过程的完整工艺方案，获得帕累托解集。此外，为了避免在用户偏好赋值时出现数据淹没现象，将所得帕累托集合的属性进行归一化处理，实现用户期望驱动的工艺综合优化。最后以不锈钢方形试件为例，对所提方法的可行性和有效性进行了验证。具体包括：
对于待加工零件P具有的n个加工特征(f1，f2…fi…fn)，以及已适配的刀具Pc＝(T1，T2…Ti…Tn)。由于存在类型相同但尺寸不同的加工特征，n个加工特征具有k(k≤n)种类型。关于如何综合优化P的全切削过程工艺的问题，问题的具体形式描述如下：n个具有k种类型的加工特征，其关键尺寸为多维数组D＝{d1(d1 1，d2 1…dk1 1)，d2(d1 2，d2 2…dk2 2)…dn(d1 n，d2 n…dkn n)}，其中ki(i＝1，2…n)为第i个特征的类型；Ti是在设备Em上进行切削加工时，Pc为第i个加工特征配置的刀具；在Ti和Em的类型确定的情况下所对应的切削参数集为pi＝(p1 i，p2 i…pci i)，ci为对应加工方式X的切削参数个数。零件工艺综合优化的目的是在符合用户期望W的条件下，最大限度的实现低碳Ce、低成本C和高效T的加工。如下式所示，Ce、C和T为D与pi的函数：
T＝f(D,pi)
Ce＝f(D,pi)
C＝f(D,pi)(i＝1,2...n)
E＝wt*Tn+we*Ce n+wC*Cn
式中，wt，we和wC分别是用户对于T、Ce和C的偏好权重，E为用户偏好驱动的零件全切削过程工艺综合优化的目标函数。至此，本实施例研究的问题可描述为，在设备能力和用户期望约束下，综合优化零件全切削过程的工艺，使得零件的整个切削过程产生的碳排放Ce、成本C和耗时T都尽可能小。
优化变量：
考虑到P含有多种特征类型，且可能存在复杂特征，由于不同加工方式对应的切削参数集p的内涵不同，因此，在实现零件全切削过程工艺综合优化时，需要同时考虑车削、铣削、钻削等加工方式之间的异同。本实施例按照加工方式X的不同，定义的优化变量形式不同，如X的形式为车削和镗削时，p＝(n，f，ap)；X为铣削加工时，p＝(n，f，ap，ae)；X为钻和铰时，p＝(n，f)。具体地，模型的优化变量如下式所示：
其中，n为主轴转速；f为进给量；af为铣削加工时的每齿进给量；ap为切削深度；ae为切削宽度。
目标函数：
本实施例将零件全切削过程中产生的碳排放Ce、切削时间T和加工成本C作为目标函数，碳排放Ce、加工成本C和切削时间T的具体模型如下所述。
碳排放Ce：零件全切削过程的Ce由各个特征切削时产生的碳排放组成，具体形式如下式所示：
Cei是第i个加工特征在切削加工过程中产生的碳排放，Cei的具体形式可表示为下式：
Cei＝Cele+Ctool+xCcool
Cele的计算方法：Cele是电力消耗所产生的碳排放量；Ctool是刀具消耗引起的碳排放量；x是加工该特征时所采用的冷却方法，x＝0为干切，x＝1为湿切；Ccool为切削液消耗引起的碳排放。Cele的具体形式如下式所示：
Cele＝FeEe
Fe是耗电量和碳排放之间的转换因子；Pn是该加工特征对应的机床的空载功率；Tp是切削加工的持续时间。
切削时间建模：对于基础加工特征，其切削时间Tp的具体形式如下式所示：
其中，Ama是用户指定的轴向加工余量；Amr是用户指定的径向加工余量；INT为取整函数；l为切削长度。
然而，复杂的特征是多个基础特征布尔运算的结果，由于基于STEP模型获得的特征信息只可以判断复杂特征包含的边界线类型和长度，并不能可视化地展示特征形状。此外，如果复杂特征推荐了组合刀具的加工方法，则还需考虑刀具和加工特征的形状、尺寸之间的关系，这使得其加工时长的计算变得困难。为了解决该问题，本实施例研究了基于反向轮廓偏置的复杂特征加工时间计算方法。对于复杂特征的粗加工工序，首先通过下式计算复杂特征的轮廓范围：
li为复杂特征的第i个基础特征的凸边长度，以图1中的(a)所示的型腔为例，该特征的l由圆弧C1、C2、C3，以及直线l1、l2和l3构成。圆弧的长度可通过几何定理计算获得，以圆弧C1的长度为例，其计算方法如下式所示：
然后，以给出的加工余量为偏移量，分别计算出粗加工和精加工需要去除的材料体积Vr m和Vf m，对应的求解方法如下式所示：
Vr m＝l.Amr-Vf m
式中，L表示li的类型为直线，如图1中的(b)所示；CO表示外表面组成型腔的圆柱面对应的圆弧边，如图1中的(c)所示；CI表示内表面组成型腔的圆柱面对应的圆弧边，如图1中的(d)所示。
然后，对于采用多把刀具组合加工的复杂特征，加工所用的时间可以通过下式获得：
ti为第i把刀具的加工时长，等于该把刀具的可行域Pi除以使用该把刀具时的材料去除率M。对于Pi，首先提取复杂特征的边界轮廓线(包括腔体边界B和腔体内的岛屿边界I，如图2中的(a)所示)；然后，执行偏置P＝offset(B，-0.5Di)且Qi＝offset(B，+0.5Di)(i＝1,2…m)，m为型腔内岛屿的数量。P为B向内偏移刀具半径而获得的边界；Q为I向外偏移刀具半径而获得的边界，如图2中的(b)所示；令S＝(P-Q1)∪(P-Q2)…∪(P-Qk)，再令Ak＝P-S，如图2中的(c)所示，对于刀具Di，如果i＝1，则可加工域E1为S+Ak；否则，可加工域Ei为Ak。
按照组合刀具直径由小到大的顺序，可按上述方法确定每把刀具的可加工域。此外，不同加工方式对应的M的计算方法如下式所示：
切削功率建模：在实际的切削加工过程中，由于切深抗力Fp没有位移，故而做功为零；进给力Ff所消耗的功率占总功率的1％-5％，可忽略不计。不同加工方式的切削力分布如图3所示：
其中，Fz是切向切削力；Ff是进给抗力；n为主轴转速。因此切削过程消耗的功率如下式所示：
式中vc为切削线速度；f为进给速度；n为机床主轴转速；Dc为待加工孔的直径；ap和ae分别为铣削加工的切削深度和切削宽度；vf为铣削的进给速度，vf等于每齿进给量fz、齿数z和转速n的乘积；h为螺纹的螺距；d为螺纹公称直径；η为机床效率；Ks为工件材料的单位切削力，三特维克提供的部分工件材料的Ks如表1所示：
表1部分工件材料的Ks
Ctool的计算方法：刀具生产所产生的碳排放Ctool包括刀具材料的耗能和刀具生产过程的耗能，具体形式如下式所示：
其中，Ttool是根据泰勒公式，结合实验数据获得的预估刀具寿命；f1是刀具材料碳排放因子；f2是刀具生产过程的碳排放；wt是切削项的重量；Et是切削项在制造过程中消耗的能量。在仅考虑刀具材料的条件下，对应的碳排放因子为75kgCO2/kg，在既考虑刀具材料，又考虑刀具制造过程能耗的情况下，对应的碳排放因子为104.6kgCO2/kg。此外，切削液消耗换算的碳排放量Ccool由纯矿物油生产及废冷却剂处理两部分组成。
加工成本C：零件全切削过程的C由各个特征切削加工产生的成本组成，具体形式可表示为下式：
其中Ci为第i个特征切削加工所产生的费用，由人工成本Ch、能源成本Ce和刀具成本Ct组成，具体的形式见下式：
其中，xh为单位时间内的人工成本；xe为电力成本；ct为刀具成本(对于可转位刀具，ct为刀片的成本)。
约束条件：
刀片性能约束建模：以刀具制造商提供的切削参数推荐范围为有效变量范围，具体的变量约束如下式所示：
式中vmin、vmax、fmin、fmax、apmin、apmax、aemin和aemax分别为刀具制造商给出的切削速度、进给量、切削深度和切削宽度的最大值和最小值。
机床的性能约束建模：包括机床的额定功率、主轴的转速范围以及进给功率的范围等。机床的性能约束的具体形式如下式所示：
式中Pmax为机床所允许的最大切削功率；nmin和nmax分别为机床的最小转速和最大转速。
表面质量约束建模：对于精加工工序，还应包括工件表面质量的约束，如式下式所示：
Rwork≤Rmax
/>
式中Rwork和Rmax分别是刀具切削对应的理论表面粗糙度和设定的最大允许粗糙度；f为进给量；r为刀具的刀尖圆弧半径。
综上所述，本实施例所提的多特征零件的工艺综合优化模型可表示如下式所示：
式中，pi为切削参数集中的第i个参数；Pmax为机床允许的最大切削功率；Pc为机床的额定功率；Rmax为刀具切削设定的最大允许粗糙度；Rwork为刀具切削对应的理论表面粗糙度。
基于多目标粒子群和蛙跳算法的混合求解方法：
混合算法的架构及步骤：
传统的工艺优化方法主要针对特定的加工方式进行优化，是变量连续的优化问题，既在特定约束下获得针对某些目标的最优工艺参数。零件一般具有多种加工特征，涉及不同的加工方法，如何全局综合的优化切削参数，使得在满足用户期望及定义的约束下，实现多个目标的优化，对于构建网络环境下的零件全切削过程的完整解决方案具有重大意义，也是用户节约刀具试用时间、降低加工成本的关键。然而，目前几乎没有面向零件全切削过程，实现多特征加工工艺综合优化的研究。因此，为了给上述的模型提供求解方法，克服单项加工特征工艺优化方法的局限性，同时实现对连续优化和离散优化的求解，本实施例设计了基于多目标粒子群和蛙跳算法的混合求解方法，算法的整体框架如图4所示。
步骤1：获取用户输入的工件信息、机床信息以及对应刀具的信息，提取优化模型的条件参数。
步骤2：对于每个加工特征，按照其特征类型和刀具方案，并结合机床信息构建针对单项特征的连续变量优化模型。
步骤3：针对上述的单项特征工艺优化模型，应用多目标粒子群优化算法对之进行求解，遍历所有特征，获得每项特征的工艺参数优化解集。
步骤4：以步骤3所得的单项特征的工艺优化解集为决策空间，以每个特征采取的优化解为决策变量，结合用户期望，构建零件全切削过程的工艺综合优化模型，并应用改进蛙跳算法对之进行求解，在用户偏好驱动下，对零件全切削过程的完整工艺进行综合优化。
基于多目标粒子群算法的单项特征工艺优化求解：
具体特征的工艺参数优化是连续变量的优化问题，多目标粒子群优化方法(Mul tiple Object ive Part icle Swarm Optimization，MOPSO)是一种受自然界启发的元启发式算法，由于MOPSO具有并行性、全局收敛性好和收敛快等优势，在优化领域有着广泛的应用。常规的粒子群优化方法的性能在很大程度上依赖于预先设定的初始参数，且容易陷入局部最优值而导致经典的早熟收敛。然而，如果零件复杂、特征类型多，应用常规的MOPSO获得优化的工艺参数将会比较耗时，这会造成用户通过网络获得工艺方案时响应时间长、体验感差等问题。因此，本实施例对常规的MOPSO算法进行了改进，提高了收敛速度、克服了局部早熟的问题。基于MOPSO方法的单项加工特征工艺参数优化流程如图5所示。
步骤1：输入加工特征的类型、尺寸和材料信息；对应刀具的类型、尺寸和材料信息。
步骤2：基于步骤1的信息，确定优化变量和约束形式，并构建目标函数。
步骤3：为了同时保证初始群体具有较好的遍历性和随机性，本实施例通过组合准随机序列(quas i-random sequence,QRS)和伪随机数生成器(PRNGs)，对常规粒子群算法进行了改进，初始化大小为m的粒子群时，第k个初始粒子的第i维初始化的具体形式见下式：
式中，r为0到1之间产生的随机数；m为初始化群体的大小；pi是该加工类型对应的第i维工艺参数。
步骤4：为了实现多目标求解，判断个体之间的支配关系，计算其适应度函数F，具体形式如下式所示：
Fi＝Ri/Di
其中，Sj是被第j个粒子支配的粒子数量；k是支配第i个粒子的粒子数量；D是第i个粒子与其他粒子空间距离的平均值。
步骤5：对于群体中的每个粒子Pop[i]，对其速度xi v和位置xj(j＝1,2…k)进行更新，具体形式如下式所示：
Pop[i+1].x＝Pop[i].x+xv [i+1]
其中，w是惯性因子，用以维持粒子的飞行方向；c1为个体学习因子；c2为社会学习因子；r1和r2是两个产生于0到1之间的随机数。考虑到较大的w有利于全局搜索，较小的w有利于局部搜索，因此引入动态惯性因子，则第d次迭代的权重因子wd的具体形式如下式所示：
式中wmin和wmax是预设的最小与最大惯性因子；Fd average是第d次迭代时粒子群的平均适应度值；Fd max是在第d次迭代时所有粒子的最大适应度值。
步骤6：比较粒子更新后位置Pop[i+1]和个体最好位置Pb [i]，如果Pop[i+1]优于Pb [i]，则以Pop[i+1]替换Pb [i]；否则，保持Pb [i]不变。比较此次迭代中最好的个体Gb [i+1]与全局最好个体Gb [i]，如果Gb [i+1]优于Gb [i]，则以Gb [i+1]替换Gb [i]；否则，保持Gb [i]不变。
步骤7：判断并克服早熟停滞，以每次迭代获得的全局最优解为依据，设定最大局部迭代次数M，如果全局最优解Gb在M次迭代中不发生变化，则认定为一个局部停滞。局部停滞后需改变粒子飞行轨迹，改变方式如下式所示：
Gb.xi＝rand(Max(pi),Min(pi))
步骤8：考虑到不同加工类型和不同的特征尺寸会使问题的复杂程度存在差异，以往指定迭代次数的终止条件判定方法不再适用，因此本实施例通过K次局部停滞的全局最优解不变化为终止条件，若满足终止条件，输出优化解集，否则转至步骤5。
基于改进蛙跳算法的工艺综合优化求解：
对于具有n个加工特征的零件，第i个单项特征的工艺参数优化解集的大小为Ki(i＝1,2…n)。如何从每个特征对应的工艺参数优化解集中选择合适的解，使得零件全切削过程在满足用户期望的约束下实现低碳、高效、低成本加工是典型的组合优化问题。蛙跳算法(Leapfrog algori thm)是一种具备高效计算性能和优良全局搜索能力的智能算法。然而，经典的蛙跳算法难以实现零件工艺综合优化模型的求解，这是因为该问题属于多目标优化问题，需要判断蛙群个体之间的支配关系。为了实现所述问题的求解，本实施例对常规的蛙跳算法进行了改进，引入了个体支配关系判断因子。
蛙跳算法简介：改进后的蛙跳算法主要分为蛙群初始化、适应度计算、分组、跳跃、局部搜索和终止条件判定等关键步骤，每个算子的具体内涵如下。
(1)蛙群初始化：零件工艺综合优化的一个解映射为算法空间的一个青蛙个体Ui＝(si 1…si j…si n)，且设定蛙群Pop的大小为P。对于第i只青蛙Ui＝(si 1…si j…si n)，其初始化方法如下式所示：
其中，Si为第i个单项特征的工艺优化解集；rand(Kj)表示从0到Kj中产生的随机整数。上式的具体含义是从Si的Kj个位置中随机选择一项为当前青蛙的位置。
适应度值计算：求解多目标优化问题时，每只青蛙的适应度值需通过计算支配关系来确定，具体如下式所示：
d为群体中所有支配该个体的青蛙数目。
分组：将p只青蛙分配到q个组中去，明显地有q<p，并记第i个组为memeplex(i)。蛙群分组的具体规则如下：(a)首先按照适应度对蛙群进行排序，(b)将已经排序了的青蛙按照顺序依次填充到蛙组之中，例如，当q＝3时，第一只青蛙进入到memeplex(1),第二只青蛙进入到memeplex(2)，第三只青蛙进入到memeplex(3)，第四只青蛙又进入到memeplex(1)，依次类推。
跳跃：蛙跳算法的搜索过程是将蛙组中的最差个体持续跳跃到更好位置的过程，跳跃算子τ(Ub)的具体形式如下式所示：
Uw＝(sw 1…sw j…sw f)
Ub＝(sb 1…sb j…sb f)
(Uw＝C(Uw,Ub))
其中，Uw为一个memeplex中存在的适应度值最差的青蛙；Ub是memeplex中最好的青蛙。C(Uw，Ub)是Uw和Ub随机交叉函数，实现用Ub对Uw进行更新。
局部搜索：局部搜索是促使每个memeplex中适应度最差的青蛙向更好位置跳跃的过程，其具体流程如图6所示：
步骤1：标记局部位置最差青蛙Uw和位置最佳青蛙Ub，以及全局位置最佳青蛙Ugb。
步骤2：通过跳跃算子τ(Ub)对Uw进行更新。
步骤3：更新后的Uw是否优于更新前的Uw？如果是，则转至第四步；否则，转至第五步。
步骤4：用更新了的Uw对之前的值进行替换。
步骤5：通过跳跃算子τ(Ugb)对Uw进行更新。
步骤6：更新后的Uw是否优于更新前的Uw？如果是，则转至第四步；否则，转至第七步。
步骤7：使用初始化方法随机产生一只青蛙代替Uw。
基于改进蛙跳算法的零件工艺综合优化模型求解：根据以上算子，基于改进蛙跳算法的全切削过程工艺综合优化模型的求解过程如图7所示：
步骤1：设定蛙群大小p，组数q，以及终止条件T0。
步骤2：初始化蛙群。
步骤3：计算蛙群中每只青蛙的适应度值并以此进行排序。
步骤4：进行蛙群分组。
步骤5：对每个组实施局部寻优算子，更新每个组中最差的个体。
步骤6：对更新后的个体进行汇总和再次重新排序
步骤7：判断终止条件是否达到，如果达到，转至步骤8；否则，转至步骤9。
步骤8：将蛙群在本次跳跃过程中获得的非被支配解填充到外部精英集合，并重新对外部精英集合进行支配关系判断，并剔除非帕累托解。
步骤9：输出外部精英集合。
用户偏好驱动的个性化工艺方案：
所得的外部精英集合EA中的所有元素均为帕累托解，为了应对数据淹没，首先通过下式对EA的加工时间T、加工成本C和碳排放Ce等属性进行归一化处理。
Xi为EA的第i个元素的第j个属性，j∈(T，C，Ce)；Xmax和Xmax分别为EA对应属性的最大值和最小值。则在用户偏好Wc＝(wt，we，wc)驱动下的个性化工艺方案可表示如下式所示：
式中，wt，we和wc分别为用户对于加工时间T、碳排放Ce和加工成本C的偏好程度；xi j为第j(j＝1，2…n)个方案的第i(i＝1，2…k)个属性的归一化值。对A进行升序排序，则A(1)为在用户偏好W下的最佳方案。
传统方法在求解变量多、耦合程度高的优化问题时往往因为问题的复杂程度高而使得效率低和收敛困难。本实施例研究的混合算法首先将全切削过程工艺综合优化问题按照零件具有的加工特征进行分解，使之成为若干面向单向特征的工艺优化子问题，即可应用现有成熟的方法对这些子问题进行求解，获得子问题对应的优化解集合。然后基于组合优化的思想，从子问题的优化解集中，用离散优化的方式获得综合全局的解。
为了论证混合算法的先进性，将本实施例提出的混合算法与经典的多目标优化方法(粒子群优化)在求解案例问题上进行了对比讨论，两种方法面对的问题规模与数量见表2：
表2两种方法面对的问题规模与数量
采用经典的粒子群优化方法进行问题求解的过程如图8中的(a)所示，图8中的(a)为所有参数与本实施例所用混合方法中的改进粒子群算法一致的仿真实验，可见其收敛性差，且在迭代次数为Generat ions＝250时，目标函数仍在持续减小，表明优化过程不彻底。因此，本实施例又进行了Generat ions＝500的仿真实验，过程如图8中的(b)所示。
可见，尽管目标函数随着粒子群的迭代逐渐减小，但是该优化过程仍然震荡不光滑，这反映了采取传统方法解决变量数量大的优化问题时，优化过程收敛性不好的特点，也说明了本实施例通过将全切削过程工艺综合优化问题进行分层降解的先进性。
高效性分析：为了论述所提方法的高效性，分别将本实施例所述方法求解问题消耗的时间，与图8中的(a)和(b)的求解时间进行了比较。每种算法均执行20次，然后求取平均值，比较结果见图9。
可见，尽管本实施例所述的混合驱动算法将多变量的优化问题进行了分解，然后再以子问题获得的优化解集为变量域，通过组合优化的手段实现对整个问题的求解，增加了问题的数量。然而相对于采用经典粒子群优化算法求解整个问题的手段，在算法设置的基础参数一致的情况下，本实施例所述方法仍然具有较好的效率。此外，结合图8可知，在基础参数设置一致的情况下，用经典粒子群优化算法求解整个问题的优化过程尚未收敛，这是由于以整个问题为对象时，变量数多和耦合度高造成的迭代进度缓慢，为了得到较好的优化结果，势必需要设置更大的终止条件值，这必然使得求解效率的进一步下降。因此，本实施例提出的混合方法在解决全切削过程工艺综合优化问题时能保证较好的效率。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种面向零件全切削过程的工艺综合优化方法，其特征在于，包括以下步骤：
步骤1、建立多特征零件的工艺综合优化模型；
步骤2、基于多目标粒子群和蛙跳算法对所述工艺综合优化模型进行求解，得到用户偏好驱动的个性化工艺方案；
所述步骤2具体包括以下步骤：
步骤2.1、获取用户输入的工件信息、机床信息以及对应刀具的信息，提取工艺综合优化模型的条件参数；
步骤2.2、对于每个加工特征，按照其特征类型，并结合机床信息构建针对单项特征的连续变量优化模型；
步骤2.3、针对单项特征工艺优化模型，应用多目标粒子群优化算法对之进行求解，遍历所有特征，获得每项特征的工艺参数优化解集；
步骤2.4、以单项特征的工艺优化解集为决策空间，以每个特征采取的优化解为决策变量，结合用户期望，构建零件全切削过程的工艺综合优化模型，并应用改进蛙跳算法对之进行求解，在用户偏好驱动下，对零件全切削过程的完整工艺进行综合优化。
2.根据权利要求1所述的面向零件全切削过程的工艺综合优化方法，其特征在于，所述步骤1具体包括：
将多特征零件全切削过程中产生的碳排放Ce、切削时间T和加工成本C作为目标函数，并结合刀片性能约束、机床的性能约束和表面质量约束得到所述工艺综合优化模型，具体如下：
式中，pi为切削参数集中的第i个参数；Pmax为机床允许的最大切削功率；Pc为机床的额定功率；Rmax为刀具切削设定的最大允许粗糙度；Rwork为刀具切削对应的理论表面粗糙度。
3.根据权利要求2所述的面向零件全切削过程的工艺综合优化方法，其特征在于，所述碳排放Ce由各个特征切削时产生的碳排放组成，具体如下：
Cei是第i个加工特征在切削加工过程中产生的碳排放，Cei的具体形式表示为：
Cei＝Cele+Ctool+xCcool
其中，Cele是电力消耗所产生的碳排放量；Ctool是刀具消耗引起的碳排放量；x是加工该特征时所采用的冷却方法；Ccool为切削液消耗引起的碳排放；
所述加工成本C由各个特征切削加工产生的成本组成，具体如下：
其中Ci为第i个特征切削加工所产生的费用，由人工成本Ch、能源成本CE和刀具成本Ct组成，具体如下：
其中，xh为单位时间内的人工成本；xe为电力成本；ct为刀具成本。
4.根据权利要求3所述的面向零件全切削过程的工艺综合优化方法，其特征在于，Cele的具体形式如下：
Cele＝FeEe
其中，Fe是耗电量和碳排放之间的转换因子；Pn是该加工特征对应的机床的空载功率；Tp是切削加工的持续时间；
刀具生产所产生的碳排放Ctool包括刀具材料的耗能和刀具生产过程的耗能，具体形式如下：
其中，Ttool是根据泰勒公式，结合实验数据获得的预估刀具寿命；f1是刀具材料碳排放因子；f2是刀具生产过程的碳排放；wt是切削项的重量；Et是切削项在制造过程中消耗的能量。
5.根据权利要求2所述的面向零件全切削过程的工艺综合优化方法，其特征在于，所述刀片性能约束以刀具制造商提供的切削参数推荐范围为有效变量范围，具体的变量约束如下：
式中vmin、vmax、fmin、fmax、apmin、apmax、aemin和aemax分别为刀具制造商给出的切削速度、进给量、切削深度和切削宽度的最大值和最小值；
所述机床的性能约束包括机床的额定功率、主轴的转速范围以及进给功率的范围，机床的性能约束的具体如下：
式中Pmax为机床所允许的最大切削功率；nmin和nmax分别为机床的最小转速和最大转速；
所述表面质量约束具体如下：
Rwork≤Rmax
式中Rwork和Rmax分别是刀具切削对应的理论表面粗糙度和设定的最大允许粗糙度；f为进给量；r为刀具的刀尖圆弧半径。
6.根据权利要求1所述的面向零件全切削过程的工艺综合优化方法，其特征在于，所述步骤2.3具体包括以下步骤：
步骤2.3.1、输入加工特征的类型、尺寸和材料信息；对应刀具的类型、尺寸和材料信息；
步骤2.3.2、确定优化变量和约束形式，并构建目标函数；
步骤2.3.3、通过组合准随机序列和伪随机数生成器，基于粒子群算法，初始化大小为m的粒子群时，第k个初始粒子的第i维初始化的具体形式如下：
式中，r为0到1之间产生的随机数；m为初始化群体的大小；pi是对应加工类型的切削参数集中的第i个参数；
步骤2.3.4、判断个体之间的支配关系，计算其适应度函数F，具体形式如下式：
Fi＝Ri/Di
其中，Sj是被第j个粒子支配的粒子数量；k*是支配第i个粒子的粒子数量；D是第i个粒子与其他粒子空间距离的平均值；
步骤2.3.5、对于群体中的每个粒子Pop[i]，对其速度xi v和位置xj(j＝1,2…k)进行更新，具体如下：
Pop[i+1].x＝Pop[i].x+xv [i+1]
其中，w是惯性因子，用以维持粒子的飞行方向；c1为个体学习因子；c2为社会学习因子；r1和r2是两个产生于0到1之间的随机数；引入动态惯性因子，则第d次迭代的权重因子wd的具体形式如下：
式中wmin和wmax是预设的最小与最大惯性因子；Fd average是第d次迭代时粒子群的平均适应度值；Fd max是在第d次迭代时所有粒子的最大适应度值；
步骤2.3.6、比较粒子更新后位置Pop[i+1]和个体最好位置Pb [i]，如果Pop[i+1]优于Pb [i]，则以Pop[i+1]替换Pb [i]；否则，保持Pb [i]不变；比较此次迭代中最好的个体Gb [i+1]与全局最好个体Gb [i]，如果Gb [i+1]优于Gb [i]，则以Gb [i+1]替换Gb [i]；否则，保持Gb [i]不变；
步骤2.3.7、判断并克服早熟停滞，以每次迭代获得的全局最优解为依据，设定最大局部迭代次数M，如果全局最优解Gb在M次迭代中不发生变化，则认定为一个局部停滞；局部停滞后需改变粒子飞行轨迹，改变方式如下式：
Gb.xi＝rand(Max(pi),Min(pi))
步骤2.3.8、通过K次局部停滞的全局最优解不变化为终止条件，若满足终止条件，输出优化解集，否则转至步骤2.3.5。
7.根据权利要求1所述的面向零件全切削过程的工艺综合优化方法，其特征在于，步骤2.4中，所述改进蛙跳算法包括：
蛙群初始化：零件工艺综合优化的一个解映射为算法空间的一个青蛙个体Ui＝(si 1…si j…si n)，且设定蛙群Pop的大小为P；对于第i只青蛙Ui＝(si 1…si j…si n)，其初始化方法如下：
其中，Si为第i个单项特征的工艺优化解集；rand(Kj)表示从0到Kj中产生的随机整数；上式的具体含义是从Si的Kj个位置中随机选择一项为当前青蛙的位置；
适应度值计算：求解多目标优化问题时，每只青蛙的适应度值需通过计算支配关系来确定，具体如下：
d为群体中所有支配该个体的青蛙数目；
分组：将p只青蛙分配到q个组中去，明显地有q<p，并记第i个组为memeplex(i)；蛙群分组的具体规则如下：(a)首先按照适应度对蛙群进行排序，(b)将已经排序了的青蛙按照顺序依次填充到蛙组之中；
跳跃：蛙跳算法的搜索过程是将蛙组中的最差个体持续跳跃到更好位置的过程，跳跃算子τ(Ub)的具体形式如下：
Uw＝(sw 1...sw j...sw f)
Ub＝(sb 1...sb j...sb f)
(Uw＝C(Uw,Ub))
其中，Uw为一个memeplex中存在的适应度值最差的青蛙；Ub是memeplex中最好的青蛙，C(Uw，Ub)是Uw和Ub随机交叉函数，实现用Ub对Uw进行更新；
局部搜索：局部搜索是促使每个memeplex中适应度最差的青蛙向更好位置跳跃的过程，包括：
步骤A、标记局部位置最差青蛙Uw和位置最佳青蛙Ub，以及全局位置最佳青蛙Ugb；
步骤B、通过跳跃算子τ(Ub)对Uw进行更新；
步骤C、更新后的Uw是否优于更新前的Uw，如果是，则转至步骤D；否则，转至步骤E；
步骤D、用更新了的Uw对之前的值进行替换；
步骤E、通过跳跃算子τ(Ugb)对Uw进行更新；
步骤F、更新后的Uw是否优于更新前的Uw，如果是，则转至步骤D；否则，转至步骤G；
步骤G、使用初始化方法随机产生一只青蛙代替Uw。
8.根据权利要求7所述的面向零件全切削过程的工艺综合优化方法，其特征在于，所述步骤2.4中的改进蛙跳算法具体包括以下步骤：
步骤a、设定蛙群大小p，组数q，以及终止条件T0；
步骤b、初始化蛙群；
步骤c、计算蛙群中每只青蛙的适应度值并以此进行排序；
步骤d、进行蛙群分组；
步骤e、对每个组实施局部寻优算子，更新每个组中最差的个体；
步骤f、对更新后的个体进行汇总和再次重新排序；
步骤g、判断终止条件是否达到，如果达到，转至步骤h；否则，转至步骤i；
步骤h、将蛙群在本次跳跃过程中获得的非被支配解填充到外部精英集合，并重新对外部精英集合进行支配关系判断，并剔除非帕累托解；
步骤i、输出外部精英集合。
9.根据权利要求8所述的面向零件全切削过程的工艺综合优化方法，其特征在于，步骤2中，得到用户偏好驱动的个性化工艺方案具体如下：
通过下式对外部精英集合EA的加工时间T、加工成本C和碳排放Ce进行归一化处理；
Xi为EA的第i个元素的第j个属性，j∈(T，C，Ce)；Xmax和Xmax分别为EA对应属性的最大值和最小值；则在用户偏好Wc＝(wt，we，wc)驱动下的个性化工艺方案表示下：
式中，wt，we和wc分别为用户对于加工时间T、碳排放Ce和加工成本C的偏好程度；xi j为第j(j＝1，2…n)个方案的第i(i＝1，2…k)个属性的归一化值；对A进行升序排序，则A(1)为在用户偏好W下的最佳方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832630.4A CN116719275B (zh) | 2023-07-08 | 2023-07-08 | 面向零件全切削过程的工艺综合优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832630.4A CN116719275B (zh) | 2023-07-08 | 2023-07-08 | 面向零件全切削过程的工艺综合优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116719275A CN116719275A (zh) | 2023-09-08 |
| CN116719275B true CN116719275B (zh) | 2024-02-06 |
Family
ID=87871556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310832630.4A Active CN116719275B (zh) | 2023-07-08 | 2023-07-08 | 面向零件全切削过程的工艺综合优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116719275B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106445881A (zh) * | 2016-09-21 | 2017-02-22 | 景德镇陶瓷大学 | 一种基于多层次信息反馈的多目标混合蛙跳算法 |
| CN106845626A (zh) * | 2017-01-05 | 2017-06-13 | 国网福建省电力有限公司 | 一种基于混合蛙跳粒子群的dg优化配置应用方法 |
| CN113721462A (zh) * | 2021-08-03 | 2021-11-30 | 西安交通大学 | 一种刀具确定条件下的多目标切削参数优化方法及系统 |
| CN114239457A (zh) * | 2021-12-01 | 2022-03-25 | 国网福建省电力有限公司莆田供电公司 | 基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107102552B (zh) * | 2017-06-12 | 2018-03-09 | 合肥工业大学 | 基于混合集合蛙跳与变邻域算法的平行机调度方法及系统 |
-
2023
- 2023-07-08 CN CN202310832630.4A patent/CN116719275B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106445881A (zh) * | 2016-09-21 | 2017-02-22 | 景德镇陶瓷大学 | 一种基于多层次信息反馈的多目标混合蛙跳算法 |
| CN106845626A (zh) * | 2017-01-05 | 2017-06-13 | 国网福建省电力有限公司 | 一种基于混合蛙跳粒子群的dg优化配置应用方法 |
| CN113721462A (zh) * | 2021-08-03 | 2021-11-30 | 西安交通大学 | 一种刀具确定条件下的多目标切削参数优化方法及系统 |
| CN114239457A (zh) * | 2021-12-01 | 2022-03-25 | 国网福建省电力有限公司莆田供电公司 | 基于混合蛙跳粒子群算法的扩展德拜模型参数辨识方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种混合蛙跳算法优化的粒子滤波方法;马勤;;数字技术与应用(11);全文 * |
| 基于AdvantEdge仿真和粒子群算法的切削参数优化方法;霍云亮，熊计等;《工具技术》;第57卷(第1期);117-122 * |
| 基于优化粒子群的货物装箱管理方案;胥珠峰;;计算机与数字工程(08);全文 * |
| 基于改进混合蛙跳算法的梯级水库优化调度;李荣波;纪昌明;孙平;刘丹;张璞;李继清;;长江科学院院报(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116719275A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109240202B (zh) | 一种面向低碳的铣削加工刀具路径优化方法 | |
| CN105785912B (zh) | 面向能耗的型腔数控铣削加工刀具组合优选方法 | |
| Jiang et al. | Optimization of machining parameters considering minimum cutting fluid consumption | |
| Baskar et al. | Optimization of machining parameters for milling operations using non-conventional methods | |
| Wang et al. | Multi-objective optimization of machining parameters considering energy consumption | |
| CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
| CN108389001B (zh) | 一种基于step-nc的智能非线性工艺规划方法 | |
| CN105844356A (zh) | 基于自适应遗传算法的机床切削用量能耗优化方法 | |
| CN106094729B (zh) | 一种基于制造特征的零件机械加工过程碳排放量化方法 | |
| Amiolemhen et al. | Application of genetic algorithms—determination of the optimal machining parameters in the conversion of a cylindrical bar stock into a continuous finished profile | |
| CN105259791A (zh) | 一种基于通用切削能耗模型的加工参数优化方法 | |
| CN108319223A (zh) | 一种面向绿色制造的螺纹车削工艺参数优化方法 | |
| CN109002006B (zh) | 基于低碳低成本约束的加工路线优化方法 | |
| CN111047081A (zh) | 一种面向绿色生产的制造资源配置优化决策方法 | |
| CN116719275B (zh) | 面向零件全切削过程的工艺综合优化方法 | |
| CN109597355B (zh) | 曲面微织构数控加工刀轴矢量的设计方法 | |
| Zhao et al. | A multi-dimension coupling model for energy-efficiency of a machining process | |
| CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
| CN111665799A (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
| Yi et al. | Optimization of CNC machine processing parameters for low carbon manufacturing | |
| Deepak | Optimization of milling operation using genetic and PSO algorithm | |
| Öztürk et al. | Multi objective optimization of cutting parameters in a single pass turning operation using the bees algorithm | |
| Saini et al. | Soft computing techniques for the optimization of machining parameter in CNC turning operation | |
| Singh et al. | Parameters optimization for sustainable machining by using Taguchi method | |
| Xi et al. | Cutting parameter optimization based on particle swarm optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |